本文介绍了机器学习中常用的范数，包括Lp范数（L0, L1, L2, L∞）和矩阵范数（1-范数, 2-范数, ∞-范数, F-范数），阐述了它们的定义、特性以及在模型正则化中的作用，特别是L1范数的稀疏性优势。"
111483510,10297141,kali Linux下Volatility取证分析框架的安装与使用教程,"['内存取证', '安全分析', 'kali工具', 'Volatility框架', 'Windows取证']
范数
在机器学习中，经常使用称为范数的函数来衡量大小。那么范数是什么呢？
范数实质上就是一种强化了的距离概念，它在定义上比距离多了一条数乘运算。
范数（包括L-p)范数是将向量映射到非负值的函数，满足下列定义：
- $f(x)=0 ==> x=0 $
- f ( x + y ) ≤ f ( x ) + f ( y ) f(x+y) \leq f(x)+f(y) f(x+y)≤f(x)+f(y)
- ∀ α ∈ R , f ( α x ) = ∣ α ∣ f ( x ) \forall \alpha \in R,f(\alpha x)=|\alpha| f(x) ∀α∈R,f(αx)=∣α∣f(x)
L p L^p Lp范数
L p L^p Lp范数定义如下：
∣ ∣ x ∣ ∣ p = ( ∑ i ∣ x i ∣ p ) 1 / p ||x||_p = {(\sum_i|x_i|^p)}^{1/p} ∣∣x∣∣p=
最低0.47元/天 解锁文章
247
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
